人性化的 AI真实的人类数据生成和预测真正的创新成功2023 年 12 月AUTHORSColin P Ho, PhD穆蒋明IPSOS视图AI 系列 # IPSOSHiAi我们都是独一无二的人类。作为消费者 ，我们的决定是复杂的 ， 情绪化的 ，context, and often insorral. Although人工智能 (AI) 制造新产品开发比以往更快 ， 更容易之前 ， 现成的通用模型可以歪曲或歪曲消费者的现实。生成和分析 AI 的力量创新成功。在益普索 ， 我们拥护人类的独特融合智能 (HI) 和人工智能 (AI)推动创新并带来影响力 ，为我们的客户提供以人为中心的见解。在典型的创新过程中 ， 一个想法阶段之后是评估阶段。AI 可以在这两个阶段利用 ：我们的 HI 源于我们的专业知识工程、数据科学和我们独特的高质量数据集 - 嵌入创造力 ，对我们的人工智能解决方案有好奇心、道德和严谨性 ，由我们的益普索 Facto GenAI 平台提供动力。•在构思阶段， 分歧者生成 AI 的能力可以是借力开发新的产品创意。在本文中 ， 我们讨论了与真实消费者一起训练 AI 模型数据 ， 以捕获驱动的本质真实的消费者行为 ， 并产生并预测更好的创新。没有与真实的人类联系 ， 即使是最强大的算法是不够的保证创新的成功。•在评估阶段， 收敛分析 AI 的能力可以用来预测其市场潜力。我们的客户受益于更安全的见解 ，更快 ， 植根于人类环境。让我们释放 HI + AI 的潜力 ！AI 提供了一个改善速度 ， 以及潜在的 ， 新的成功率创新 ， 以及我们如何做到这一点将决定我们是否成功。在在应用程序中 ， 用于训练 AI 的数据至关重要。《新闻周刊》最近一篇文章的标题 ，“人工智能 ： 21 世纪的黄金 ”Rush, "1完美地抓住了今天的情绪 ： 大像 ChatGPT 这样的语言模型 (LLM) 有涡轮 -对人工智能产生了兴趣 ， 并激发了成千上万的公司首先将头 fi 潜入这个领域。新产品创意更有可能成功如果这两个相在数据中接地反映消费者内在的人类需求和欲望。这些数据需要是永恒的 ， 或者至少是最新的。因为数据是如此核心对于 AI ， 我们首先解释训练数据确定其模型的准确性。虽然几乎每个行业都已经或正在开始采用人工智能 ， 为新产品提供最佳应用发展尤为明显。以下页面深入研究更好的应用程序2IPSOS 视图 | 人性化 AI人性化 AI | IPSOS 视图3 大脑就像海绵 ； 他们吸收了什么他们暴露于 - AI 没有区别图 1 -评估创新应用培训数据充足性的框架AI 模型变得聪明 ， 因为它们可以学习。他们的学习有两种主要形式:把自我监督学习想象成孩子自己学习语言。作为一个孩子反复接触到言语和文本 ， 她开始识别模式建立连接。1.监督学习需要一个人教 AI 到底要学什么。对于例如 ， 如果我们想教 AI认识到积极和消极的社会媒体帖子 ， 我们需要展示 AI每个例子。通过这种方式 ， AI 可以学习与积极相关的特征和消极的帖子 ， 并制定决策对新媒体帖子进行分类的协议它从未接触过。相关代表永恒两种学习形式的共同性需要用我们的例子来推动人工智能想让它学习。让 AI 变得聪明的不是算法 ， 而是提供的例子。训练数据应该捕获功能和相关的情感需求您的特定 fi c 产品或服务类别训练数据应该来自一个强大的代表性样本你的目标人口消费者 / 客户训练数据应该是不受通道的影响时间。总是真实的 ， 有效的 ，和适用构建 AI 的过程就像开发幼儿的大脑。通过提供一个孩子丰富的学习机会 ， 孩子变得聪明。如果为孩子提供机会很少 ， 或者更糟糕的是 ， 不正确的信息 ，孩子的智力会受到限制或有偏见。像父母一样思考监督学习指导孩子。如果父母想教她的孩子认识狗和猫 ，父母会给孩子看照片狗和猫。一个人需要提供示例并告诉机器每个例子代表什么。来源 ： 益普索图 2 -使用现成的 LLM 生成新的产品创意简单来说 ， AI 的发展需要数据 ， 并且数据的质量决定了 AI 模型的质量。2.自我监督学习作品不同的。 “培训 ” 涉及喂养大型语言模型 (LLM)生成预测的文本量。在这种类型的学习 ， 人们不需要勺子喂 AI 具体是什么应该学习。 AI 可以改为学习示例中的结构 (例如 ，这个词通常出现在单词 “谢谢 ” ， 或通常的单词出现在 “爱你 ” 一词之前 ） 。与大量的文本和重复曝光 ， LLM 变得非常擅长预测单词是如何结合在一起的。训练数据的质量可以在与我们评估调查数据质量的方式相同。我们查找与手头任务相关的数据 ，目标人群和产品的代表类别 ， 并及时 (即 ， 重新影响时间段我们正在寻找了解) 。这是不可能的夸大训练数据的重要性 ： AI 是只有像提供的数据一样聪明。相关代表永恒法学硕士接受书籍培训 ，文章、网页和问答文本数据。 LLM 未被训练对任何一个数据规格 fi c产品或服务类别LLM 接受开放培训互联网信息。人们谁在网上发布可能不是代表人口你感兴趣LLM 是根据以下数据进行训练的可能有点落后。例如 ， GPT - 4 是对可用数据进行培训到 2021 年 9 月我们分享三个将被使用的原则整篇论文 (见图 1). While this框架是专门为训练而开发的产生或评估新产品创意的人工智能 ，它也可以用来评估任何 AI 应用程序的训练数据。来源 ： 益普索4IPSOS 视图 | 人性化 AI人性化 AI | IPSOS 视图5 人性化的一代 AI ： 使用真实真正创新的消费者数据改进 LLM 的一种方法是引入额外的数据 ， 以避免单独产生想法来自公共培训数据 ， 特别是当目标是解决具体和细粒度的问题消费者需求。取决于业务挑战 ， 这可以使用各种来源 ， 如调查、社交或搜索数据。虽然益普索同时探索多个用于模型训练目的的数据源 ，以下部分将更仔细地介绍使用相关、代表性和永恒的调查创新数据 (参见图 3).消费者对鼻过敏的未满足需求sprays. Consumers were asked to, in their own言语 ， 表达他们的问题 ， 挫折 ，或鼻过敏喷雾剂的挑战。我们然后使用 LLM 生成新产品这些数据的想法。优点是清楚当我们比较产生的想法有和没有调查数据 (见图 4).总体而言 ， 在没有调查数据的情况下产生的想法是通用的 ， 功能性的 ， 完全没有的情感。相比之下 ， 产生的想法调查数据反映了消费者如何真正表达他们的症状 (例如 ， “粘稠的粘液 ” ，“爆耳 ”) 和情绪 (例如 ，“ 愉快 ” ，“愉快 ” 、“ 不适 ”) 。网络世界不是一个完整的代表现实世界。在线内容仅由那些在网上活跃的人 ， 只有一定的被认为值得发布的主题。使用 GENERATIVE AI 点燃新鲜想法为了说明人性化 AI 的优势模型 ， 我们通过捕获进行了试点LLM 的不同能力使它们非常适合创意生成。因为 LLM使任何人都有可能通过自然语言与人工智能互动 ，任何新手用户都可以写一个提示来生成新产品创意 (例如 ， “请生成十个洗衣液的新产品创意 “) 。2.LLM 不包含不成文的离线世界的现实: 在线世界不是一个完整的代表现实世界。在线内容由只有那些在线活跃的人 ， 只有某些被认为值得发布的主题。对于某些旨在解决的任务具体的挑战 ， 如思维 ，这可能导致知识差距细粒度和真实的消费者知识需要特定领域和在线数据光靠自己是不够的。图 3:通过相关 ， 具有代表性和永恒的消费者数据增强 LLM通过及时的工程 ， AI 产生的想法通常口齿清晰 ， 发人深省。鉴于用于训练的大量文本LLM ， 他们在表达想法方面的卓越流利并不奇怪。虽然强大 ，有三个很好的理由来改善现成的 LLM (请参见图 2):相关代表永恒3.LLM 在时间胶囊中的功能: LLM通常根据滞后的数据进行训练。对于实例 ， 而 ChatGPT - 4 首次发布在 2023 年 ， 它对可用数据进行了培训 ， 直到2021 年 9 月 （ 参见图 2) 。虽然差距在时间上因模型而异 ， 这些差距将随着时间的推移 ， 研究人员的角色是确保模型继续准确地反映 fi 等消费者的最新现实。可以收集调查数据对于特定的 fi c 产品或考虑服务类别目标样本可以是 de fi Ned(例如 ， 过去 12 个月的用户鼻过敏喷雾剂)可以收集调查数据就在生成新的想法 ， 并且应该对长达一年或更长时间1.LLM 从一个巨大的和未知的互联网景观： 我们知道法学硕士学习来自公共互联网信息: web页面、 Reddit 帖子、在线书籍和其他文本来源。我们不知道这些数据是否来源涵盖特定产品或服务兴趣类别。来源 ： 益普索6IPSOS 视图 | 人性化 AI人性化 AI | IPSOS 视图7 Tailoring analy tical AI:第二个想法是在没有调查数据的情况下产生的给出了一个奇怪的结果。第一句描述了一种为人们设计的新产品“敏感皮肤 ” 。鉴于鼻过敏喷雾直接喷入鼻子 ， 这很奇怪LLM 建议更常见的术语与皮肤或美容产品有关。用于训练的大量数据LLM 可以推动有价值的想法的发现。然而 ， LLM 的黑匣子性质意味着我们不会知道任何关于使用的数据产生想法 - 包括其来源 ，代表性 ， 或永恒。因此 ，LLM 可能偶尔会引入一些想法没有意义 ， 即使他们从一个明智的语言视角。概念评估的数据在 LLM 可用之前 ， 分析 AI支持的研究需求。在世界创新 ， 一种可以瞬间实现的 AI预测新产品的成功是评估主要是在市场调查中进行的 ，需要定制的分析 AI 模型预测创新成功。建立一个成功的分析 AI 来预测新的产品的成功与那些对于生成式 AI ： 相关性、代表性、和永恒。许诺的土地 ， 许多企业寻求。然而 ， 与 LLM 不同的是 ， 现成的分析AI 模型不可用。因为概念我们认为这是因为 LLM 学习单词通过联想。在英语中 ，“鼻 ” 和“ 过敏 ” 两个词经常放在一起 ，但是 “皮肤 ” 和“ 过敏 ” 这两个词也是如此感觉 ， 收到一个想法并不奇怪参考敏感皮肤。 LLM 旨在预测下一个单词 ， 可能这样做不准确或者不适当。从调查数据中产生想法时 ，数据的来源 ， 收集的时间 ，LLM 使用背后的原因是可见。使用调查数据的优势产生新产品的想法是 100%透明度。理解推理AI 做出的决策或预测背后可以提供保证的有效性AI 回应。分析 AI 的初始探索 ：人类完全消失 ！受数据使用的行业的启发训练分析 AI 是刺激 (例如 ， 图片健康皮肤与癌变皮肤) ， 一些研究人员提倡使用以前的将概念作为训练数据进行测试。也就是说 ， 使用成功和不成功的文字说明过去测试过的用于训练 AI 模型的概念预测新产品创意的成功。这种方法消除了要求消费者对新产品的反应想法 ， 并允许即时预测。这种方法确实是我们第一次尝试构建一个分析型 AI 来预测成功新产品。通过向 AI 模型提供过去成功和不成功的例子来自益普索概念测试的概念描述数据库 ， 我们探索了以前的功能预测市场成功的概念。这是第一个尝试失败。 AI 模型的准确性下降短 ， 因为它认为有更多比真正成功的概念。这并不意味着从公共培训的 LLM 中产生的想法。图 4:探索由 LLM 产生的想法 ， 有和没有以人为中心的调查数据LLM没有 调查数据LLM与 调查数据一种旨在缓解两者的鼻喷雾剂过敏的症状和潜在的过敏的原因。这可以通过使用组合成分的工作减少炎症 ， 清除鼻塞 ，并防止组胺的释放。结合盐溶液的鼻喷雾剂使用抗 - in fi 炎症药物来帮助减少in flination and clear our thick muus. The喷雾也会有一个令人愉快的味道使用起来更愉快。包含组合的鼻喷雾剂天然成分如薄荷醇 ，专门设计的鼻喷雾剂皮肤敏感的人。这个鼻喷雾将由温和的成分制成不太可能引起刺激或过敏reactions.桉树和薄荷油提供救济鼻窦压力 ， 头痛 ， 水汪汪的眼睛 ，耳朵爆裂。